| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究工作与组织结构 | 第13-15页 |
| 1.3.1 主要研究工作 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 第2章 论文相关概念和技术基础 | 第15-25页 |
| 2.1 智能视频监控概述 | 第15-17页 |
| 2.1.1 智能视频监控的使命 | 第15-16页 |
| 2.1.2 智能视频监控的相关技术 | 第16-17页 |
| 2.1.3 智能视频监控的应用 | 第17页 |
| 2.2 分层贝叶斯方法概述 | 第17-19页 |
| 2.2.1 贝叶斯思想与方法 | 第17-18页 |
| 2.2.2 分层贝叶斯方法 | 第18页 |
| 2.2.3 贝叶斯分层模型的基本算法 | 第18-19页 |
| 2.3 聚类方法概述 | 第19-25页 |
| 2.3.1 聚类分析的定义 | 第20页 |
| 2.3.2 聚类分析的基本步骤 | 第20页 |
| 2.3.3 常用聚类分析算法 | 第20-23页 |
| 2.3.4 聚类算法性能指标 | 第23-25页 |
| 第3章 基于光流法的运动目标特征提取 | 第25-37页 |
| 3.1 运动目标特征提取概述 | 第25-27页 |
| 3.1.1 特征提取的难点 | 第25-26页 |
| 3.1.2 运动目标特征提取方法 | 第26-27页 |
| 3.2 基于光流法的运动目标特征提取 | 第27-31页 |
| 3.2.1 光流场计算基本原理 | 第27-28页 |
| 3.2.2 几种常见的光流计算方法 | 第28-31页 |
| 3.2.3 光流质量评价指标 | 第31页 |
| 3.3 改进的光流法 | 第31-33页 |
| 3.4 实验结果及分析 | 第33-36页 |
| 3.4.1 全局光流与局部光流方法比较 | 第33-34页 |
| 3.4.2 基于加权最小二乘法对PLK光流法的改进 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于加权贝叶斯模型的异常事件检测 | 第37-53页 |
| 4.1 分层贝叶斯模型 | 第37-39页 |
| 4.1.1 分层贝叶斯模型概述 | 第37-38页 |
| 4.1.2 贝叶斯模型中先验参数的选择 | 第38-39页 |
| 4.1.3 狄利克雷过程的性质 | 第39页 |
| 4.2 贝叶斯模型的加权 | 第39-44页 |
| 4.2.1 狄利克雷混合模型概述 | 第39-41页 |
| 4.2.2 贝叶斯模型的特征加权方法 | 第41-42页 |
| 4.2.3 TF-IDF加权算法的改进 | 第42-43页 |
| 4.2.4 层次狄利克雷模型加权方法 | 第43-44页 |
| 4.3 实验结果及分析 | 第44-51页 |
| 4.3.1 异常事件检测常用指标 | 第44-45页 |
| 4.3.2 交通路口场景实验 | 第45-48页 |
| 4.3.3 UMN商城受惊吓人群异常检测实验 | 第48-49页 |
| 4.3.4 林荫道人群流动场景检测 | 第49-50页 |
| 4.3.5 露天广场场景实验 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士学位期间科研成果目录 | 第63页 |